融合多源數據的高精度道路地圖的構建

李春輝 趙越 黃剛

摘??要：為提高高精度道路地圖的制作效率，提出采用融合多源數據的方式構建高精度地圖。根據道路特征及類型，選用車載激光雷達（Light?Detection?and?Ranging，LiDAR）、無人機攝影測量以及人工采集三種技術獲取數據源，分別進行點云、圖像以及矢量數據處理，構建高精度道路地圖并進行精度評定。試驗結果表明，多源數據可實現不同道路場景下的數據采集，為高精度地圖快速構建和更新提供參考。

關鍵詞：高精度地圖?車載激光雷達?無人機?精度評定

中圖分類號：P28

Construction?of?High-Definition?Road?Maps?Integrating?Multi-Source?Data

LI?Chunhui1*??ZHAO?Yue2??HUANG?Gang1

（1.Beijing?Mingli?Surveying?and?Mapping?Technology?Co.，?Ltd.；2.Tukrin?（Beijing）?Technology?Co.，?Ltd.，?Beijing，?100016?China）

Abstract：In?order?to?improve?the?production?efficiency?of?high-definition?road?maps，?this?paper?proposes?to?construct?high-definition?maps?by?the?method?of?integrating?multi-source?data.?According?to?the?characteristics?and?types?of?roads，?this?paper?selects?three?technologies：?vehicle-mounted?light?detection?and?ranging?（LiDAR），?UAV?photogrammetry?and?manual?collection，?to?obtain?data?sources，?and?processes?point?cloud，?image?and?vector?data?respectively?to?construct?high-definition?road?maps?and?evaluate?accuracy.?The?experimental?results?show?that?multi-source?data?can?realize?the?data?collection?in?different?road?scenarios，?which?provides?a?reference?for?the?rapid?construction?and?update?of?high-definition?maps.

Key?Words：High-definition?map;?Vehicle-mounted?light?detection?and?ranging;?Unmanned?aerial?vehicle;?Accuracy?assessment

在自動駕駛領域，高精地圖可為行車提供標牌輔助、超視距規劃、定位輔助以及感知補充等方面的功能。道路信息由駕駛人識別向機器識別轉變。目前，對于高精度地圖的構建多采用車載激光雷達（Light?Detection?and?Ranging，LiDAR）技術獲取道路信息[1]，該方法獲取道路信息全面且精度較高，但存在覆蓋范圍小、效率低、成本高的缺點[2]。因此，本文根據道路類型的不同，選擇多種道路信息獲取方法，在滿足高精地圖精度要求的基礎上，以低成本、可量化的方式實現高精地圖的快速構建和更新。

1?技術路線

相對于傳統的導航地圖，高精道路地圖采集過程更精細與復雜。根據不同的測量儀器適用于不同的場景，可將道路分為3個不同的等級。一是簡易路段，如高速公路、城市快速路、省道等。該類道路結構相對簡單，交通線簡潔；人行道較少，多為直線行駛；交通指示標志也比較少。二是復雜路段，如道路兩旁綠植較多，道路交通線復雜且多人行道等。三是特殊路段，如隧道、大橋等特殊路段。對于簡易道路，由于遮擋較少，且交通線簡單，可采用無人機進行車道線的采集；對于復雜路段，車道線較多，且道路車輛和行人較多，因此采用獲取信息更豐富的車載激光LiDAR配合全景影像采集道路數據；對于特殊路段，定位信號較差，可采用傳統的測繪方式獲取道路信息?？傮w技術路線如圖1所示。

2?關鍵技術

2.1點云數據處理

道路點云的提取是車載激光LiDAR制作高精度道路地圖的基礎[3]。根據路面的反射率、反射強度以及空間特征進行路面的提取。由于車載LiDAR是從中心點向兩側發射激光信號，因此道路的點云數據呈現中間強度高、兩側強度低的特征。距離雷達近的激光點云強度高，點云較為密集；距離雷達鏡頭遠的激光點云則較為稀疏，且強度較低[4]。因此需要將掃面的點云數據分區域進行指示線提取。

采用最大類間法（OSTU），設定閾值提取道路指示線。OSTU法實現的基本思想是提取的目標與背景值差異較大，并且目標物與背景值內部的圖像灰度差異較小，可直接根據灰度值進行目標物的提取[5]。由于道路圖像相對簡單，該方法效率高且易實現，對于簡單的圖形效果明顯。

2.2影像數據處理

對于快速路、高速路等高等級道路，車道線的寬度、長度以及顏色等規格基本一致，可劃分為簡單路段。因此，可根據車道線的影像特征和空間特征進行車道線的提取。

無人機獲取的影像采用RGB顏色，對于車道線的提取，可先轉換為HSL格式，這對于白色的車道線提取更加明顯。同樣采用OSTU法對車道線進行閾值分割，也可提取車道線。

3?高精度地圖制作

3.1道路要素分類

首先需要明確高精道路地圖需要采集的道路要素，按照道路要素的類型分為點要素類、線要素類和面要素類，各類數據如表1所示。

3.2數據采集

3.2.1線路規劃

在實際開展工作前要對整體的測量路線進行規劃，對于城市中較為繁華的街道，需根據道路寬度和LiDAR的掃描寬度進行調整，對于較寬的路段需要往返測量，對于較窄的路段則可一次性覆蓋測量。對于較為復雜的十字路口，包括交通指示燈、人行橫道以及車道指示線等多種信息，需要安排好測量路線，確保不遺漏目標地物。對于隧道區域，定位信號不好，需要采用傳統的數字測圖技術進行數據的采集，可通過車載全景像機獲取隧道內部的照片對數據進行補充。隧道內部道路要素相對簡單，且道路標志多為重復，因此工作量較少。對于較為開闊的道路，周邊建筑物和植被遮擋較少，可采用無人機大范圍采集數據。

3.2.2基準站的布設

對于車載LiDAR、無人機航飛等設備采集外業數據，其定位精度關系到地圖成果的精度，因此需要提高測量設備的定位精度。車載LiDAR、無人機航飛在接受GNSS定位信號的同時，可采用增設基準站的方式，實現定位信號的差分，提高定位精度[6]。

在城市街道中，可將基準站布設于街道附近的樓頂平臺，優點是無遮擋、信號覆蓋范圍廣，設置的基準站距離間隔為5?km左右；在無人機航飛區域，將基準站沿道路兩側呈帶狀分布布設，距離道路不大于5?km，基準站間的間隔不大于15?km；對于隧道、橋底等信號較弱區域，在隧道口采用RTK布設控制點，采用傳統的數字測量方式獲取內部的道路信息。

4?數據處理

根據道路各要素的點云反射強度特征和幾何特征，采用自動化處理為主、人工提取為輔的方式進行道路要素提取。采用點云數據關鍵技術，根據道路邊緣及車道指示線的點云反射強度及幾何特征，根據最大類間法原理，自動識別車道標志線。將識別的點云數據進行矢量化，并重新與點云數據疊加，通過人工識別的方式將自動識別存在問題的區域進行調整與糾偏。

將基于點云數據提取的矢量化數據與全景像片進行疊加，根據照片及實地調查信息，錄入道路各類要素的數據，如道路名稱、指示線示意、類型等。通過符號化和地圖整式工作將基于點云數據獲取的高精度地圖要素編輯成圖。

4.2無人機影像圖數據處理

無人機獲取的道路影像中含有行駛的車輛，本文以車輛與道路的光譜特征差異性為區分依據，采用多影像之間的互補，即一張影像發現有車輛信息，則可采用前后無車輛信息的部分進行補充。若存在靜態車輛，即多張照片共同區域內都存在相同的車輛，無法采用照片進行彌補，則可根據車道像元差異將車輛剔除。以試點區域路段的路口為例，將動態、靜態車輛剔除后，結果對比如圖2所示。

在道路提取時，可根據公開地圖（Open?Street?Map，OSM）數據進行輔助道路提取。OSM數據坐標系為WGS—84坐標系，數據存在一定的偏差，因此在使用時，以影像數據為基礎，將OSM數據經平移、旋轉等處理后與影像道路數據基本保持一致。OSM基本與研究區域道路范圍相重合后，將OSM兩側緩沖10?m生成掩膜數據，將掩膜數據裁切影像，用于后續道路數據提取，可極大地減少數據處理工作。

將處理后的道路影像采用區域識別的方法提取道路范圍線，并根據車道線與道路面的顏色差異提取車道線。采用非OTSU閾值分割法獲取二值化的車道線，如圖3所示。

5?精度評定

選取構建高精地圖上較為明顯的特征點，在地圖上量取點位坐標，并采用RTK技術測取對應點位的坐標，采用三角測量方法獲取高程值。將二種數值進行對比，計算中誤差如表2所示。

從表2中可以看出，車載LiDAR制作的高精度地圖平面精度優于0.05?m，高程精度優于0.03?m；無人機航攝影像制作的高精度地圖平面精度優于0.08m，高程精度優于0.05?m，滿足L3級別[7]的自動駕駛所需的精度地圖要求。

6?結語

高精度地圖的快速構建及更新是影響自動駕駛技術發展的重要因素，傳統采用單一車載LiDAR進行數據獲取，不僅效率低，而且成本較高。本文根據道路場景不同，分別采用車載LiDAR、無人機攝影測量以及人工測量補充的方式，根據眾多數據源構建高精度地圖。結果表明：多源數據構建的高精道路地圖滿足精度要求，可極大地降低數據采集成本，提高數據采集效率。

參考文獻

[1] WANG?X?L，QIAN?Y?Q，WANG?C?X，?et?al.?Map-Enhanced?Ego-Lane?Detection?in?the?Missing

Feature?Scenarios[J].?IEEE?access，2020，8：?107958-107968.

[2] 李凱.基于三維激光點云和圖像數據融合的語義地圖構建[D].北京：中國礦業大學，2022.

[3] 馮昶，杜清運，范曉宇，等.高精動態地圖基礎平臺眾源更新技術路線研究［J］.測繪地理信息，2023，48（1）：10-15.

[4] 王彬.基于多傳感器融合的高精度地圖生成方法研究[D].重慶：重慶大學，2021.

[5] 尹彤，黃鶴，郭遲，等.面向自動駕駛的高精地圖生產技術及數據模型標準化探討[J].中國標準化，2021（4）：33-37.

[6] 梁宗正，童楊.高精度地圖國內外發展現狀及對策[J].科技中國，2021（1）：13-16.

[7] 呂曉成.高精地圖道路矢量化模型表達規則探討[J].北京測繪，2023，37（1）：19-25.